論文の概要: Enhancing Visual Perception in Foggy Conditions via Multiclass Fog Density Modeling

• arxiv url: http://arxiv.org/abs/2608.01572v1
• Date: Mon, 03 Aug 2026 01:00:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.289598
• Title: Enhancing Visual Perception in Foggy Conditions via Multiclass Fog Density Modeling
• Title（参考訳）: マルチクラスフォグ密度モデリングによるファジィ条件における視覚知覚の促進
• Abstract要約: 合成霧データを用いた霧認識について検討した。 我々は5つの霧密度レベル(クリア、軽い霧、中程度の霧、重い霧、非常に重い霧)を考える。 実験結果から,濃霧条件下での密度比訓練により性能が向上することが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous driving (AD) systems have advanced rapidly over the past decade; however, robust perception under adverse weather conditions remains a major challenge, particularly in dense fog. In this work, we investigate fog-aware perception using synthetically generated fog data derived from the Waymo dataset. To support fog simulation, depth images are generated using an iterative learning approach. We consider five fog-density levels: clear, light fog, moderate fog, heavy fog, and very heavy fog. Instead of training a single unified model across all conditions, we train separate perception models for each fog-density level. Experimental results show that density-specific training improves performance in severe fog conditions. In particular, for the very heavy fog class, recall improves from 0.076 to 0.232, corresponding to an absolute gain of 15.6 percentage points. These findings suggest that deploying multiple specialized models, rather than a single general-purpose model, can improve perception robustness for autonomous vehicles under challenging visibility conditions. Future work will extend this strategy to additional sensing modalities, including LiDAR and radar, and evaluate generalization across diverse weather scenarios.
• Abstract（参考訳）: 自律運転(AD)システムは過去10年間に急速に進歩してきたが、悪天候下での堅牢な認識は、特に密集した霧の中で大きな課題である。 本研究では、Waymoデータセットから合成した霧データを用いて、霧を意識した知覚について検討する。 霧シミュレーションを支援するため、反復学習手法を用いて深度画像を生成する。 我々は5つの霧密度レベル(クリア、軽い霧、中程度の霧、重い霧、非常に重い霧)を考える。 すべての条件で単一の統一モデルを訓練する代わりに、霧密度レベルごとに異なる知覚モデルを訓練する。 実験結果から,濃霧条件下での密度比訓練により性能が向上することが示唆された。 特に、非常に重い霧のクラスでは、リコールは0.076から0.232に改善され、15.6ポイントの絶対的な増加に対応する。 これらの結果は、単一の汎用モデルではなく、複数の専用モデルをデプロイすることで、挑戦的な視認性条件下での自動運転車の認識堅牢性を向上させることを示唆している。 今後、この戦略をLiDARやレーダーを含む追加のセンシングモードに拡張し、様々な気象シナリオにおける一般化を評価する予定である。

関連論文リスト

• Unifying Physically-Informed Weather Priors in A Single Model for Image Restoration Across Multiple Adverse Weather Conditions [61.27301865260939]
  気象関連アーティファクトは、確立されたシーンの可視性分析により、粒子とカメラの距離によって異なる。 既存の手法では、この気象特有の物理的な視覚過程を考慮できない。 本稿では,個々の可視粒子と霧状凝集散乱効果を考慮した統合イメージングモデルを提案する。
  論文  参考訳（メタデータ） (2026-05-13T08:22:23Z)
• Physically-Induced Atmospheric Adversarial Perturbations: Enhancing Transferability and Robustness in Remote Sensing Image Classification [54.952203312050564]
  敵対的攻撃は、リモートセンシング(RS)画像分類におけるディープラーニングモデルの信頼性に深刻な脅威をもたらす。 本稿ではフォグフール(FogFool)を提案する。 2つのベンチマークRSデータセットの実験は、FogFoolが優れたパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2026-04-16T05:47:57Z)
• Estimating Fog Parameters from a Sequence of Stereo Images [8.583016330401971]
  ステレオフォッギー画像の系列を考慮し,霧モデルのパラメータを推定し,それらを動的に更新する手法を提案する。 パラメータを逐次推定する従来の手法とは対照的に,アルゴリズムは新たな最適化問題を解くことにより,全てのパラメータを同時に推定する。 提案アルゴリズムは,霧の存在下での既存の視覚的局所化マッピング(SLAM)やオドメトリーシステムにおいて,アドオンモジュールとして容易に利用することができる。
  論文  参考訳（メタデータ） (2025-11-25T21:25:41Z)
• Into the Fog: Evaluating Robustness of Multiple Object Tracking [11.271890273740143]
  最先端のMultiple Object Tracking (MOT)アプローチは、現在のベンチマークでトレーニングされ評価された場合、顕著なパフォーマンスを示している。 これらのベンチマークは主に、霧、干し草、煙、塵のような有害な大気環境を見渡す、晴れた気候シナリオで構成されている。 フレーム単位の単眼深度推定と霧生成光学モデルを用いて,任意のMOTデータセットに対する物理に基づく体積霧シミュレーション手法を提案する。
  論文  参考訳（メタデータ） (2024-04-12T21:41:50Z)
• FogGuard: guarding YOLO against fog using perceptual loss [5.868532677577194]
  FogGuard(フォグガード)は、霧の天候によって引き起こされる課題に対処するために設計された、霧を意識した物体検出ネットワークである。 FogGuardは、YOLOv3をベースラインアルゴリズムとして組み込むことで、シーン内の霧の状態を補償する。 我々のネットワークは、RTTSデータセット上でのYOLOv3の57.78%と比較して、69.43%のmAPを達成した。
  論文  参考訳（メタデータ） (2024-03-13T20:13:25Z)
• Robust Monocular Depth Estimation under Challenging Conditions [81.57697198031975]
  最先端のモノクル深度推定手法は、難解な照明や気象条件下では信頼性が低い。 我々はmd4allでこれらの安全クリティカルな問題に取り組む: 単純で効果的なソリューションで、悪条件と理想条件の両方で確実に機能する。
  論文  参考訳（メタデータ） (2023-08-18T17:59:01Z)
• ScatterNeRF: Seeing Through Fog with Physically-Based Inverse Neural Rendering [83.75284107397003]
  本稿では,シーンをレンダリングし,霧のない背景を分解するニューラルネットワークレンダリング手法であるScatterNeRFを紹介する。 本研究では,散乱量とシーンオブジェクトの非絡み合い表現を提案し,物理に着想を得た損失を伴ってシーン再構成を学習する。 マルチビューIn-the-Wildデータをキャプチャして,大規模な霧室内でのキャプチャを制御し,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-05-03T13:24:06Z)
• FIFO: Learning Fog-invariant Features for Foggy Scene Segmentation [14.932318540666548]
  本稿では,霧に対して頑健なセマンティックセグメンテーションモデルを学習するための新しい手法を提案する。 その鍵となる考え方は、画像の霧条件をそのスタイルとして考慮し、異なる霧条件で画像間のギャップを閉じることである。 本手法は,3つの実際の霧画像データセットにおいて,従来よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2022-04-04T15:33:42Z)
• Fog Simulation on Real LiDAR Point Clouds for 3D Object Detection in Adverse Weather [92.84066576636914]
  本研究は,霧の天候下でのLiDARによる3次元物体検出の課題に対処する。 我々は、物理的に正確な霧をクリア・ウェザー・シーンにシミュレートすることでこの問題に対処する。 Seeing Through Fogデータセットに強力な3Dオブジェクト検出ベースラインを提供するのはこれが初めてです。
  論文  参考訳（メタデータ） (2021-08-11T14:37:54Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。